Nature.com сайтына кіргеніңіз үшін рахмет. Сіз қолданып жатқан шолғыш нұсқасында CSS қолдауы шектеулі. Ең жақсы тәжірибе үшін жаңартылған шолғышты пайдалануды ұсынамыз (немесе Internet Explorer шолғышында үйлесімділік режимін өшіріңіз). Әзірге қолдауды жалғастыру үшін сайтты мәнерлерсіз және JavaScriptсіз көрсетеміз.
Топырақтың ластануы адам іс-әрекетінен туындайтын үлкен мәселе. Потенциалды улы элементтердің (PTEs) кеңістікте таралуы көптеген қалалық және қала маңындағы аймақтарда өзгереді. Сондықтан мұндай топырақтардағы PTE мазмұнын кеңістікте болжау қиын. Чехиядағы Фридек Мистектен (CCagnesium) (Calcium (Calcium), magnesium (Calcium) және (Calcium)) барлығы 115 сынама алынды. никель (Ni) концентрациясы индуктивті байланысқан плазмалық эмиссия спектрометриясы арқылы анықталды. Жауап айнымалысы Ni және болжаушылар Ca, Mg және K болып табылады. Жауап айнымалысы мен болжаушы айнымалы арасындағы корреляциялық матрица элементтер арасындағы қанағаттанарлық корреляцияны көрсетеді. Болжау нәтижелері көрсетті ( Қолдау Векторы машинасының регрессиясын жақсы орындағанымен, шаршы MR RM қателігін бағалау). (235,974 мг/кг) және орташа абсолютті қате (MAE) (166,946 мг/кг) қолданылған басқа әдістерге қарағанда жоғары болды. Эмпирикалық Байесиялық кригинг-көп сызықтық регрессия (EBK-MLR) үшін аралас үлгілер нашар жұмыс істейді, бұл 0,1-ден төмен детерминация коэффициенттерімен дәлелденді. (EBK-SVMR) үлгісі төмен RMSE (95,479 мг/кг) және MAE (77,368 мг/кг) мәндері және детерминацияның жоғары коэффициенті (R2 = 0,637) бар ең жақсы үлгі болды. EBK-SVMR модельдеу техникасының шығысы өздігінен ұйымдастырылатын картаның көмегімен визуалды. қалалық және қала маңындағы топырақтардағы Ni концентрацияларын болжайтын түс үлгілері. Нәтижелер EBK және SVMR біріктіру қалалық және қала маңындағы топырақтардағы Ni концентрацияларын болжау үшін тиімді әдіс екенін көрсетеді.
Никель (Ni) өсімдіктер үшін микроэлемент болып саналады, өйткені ол атмосферада азотты бекіту (N) және несепнәр алмасуына ықпал етеді, олардың екеуі де тұқымның өнуі үшін қажет. Ни тұқымның өнуіне қосқан үлесінен басқа, саңырауқұлақтар мен бактериялардың ингибиторы ретінде әрекет ете алады және өсімдіктің дамуына ықпал етеді. сиыр бұршақ және жасыл бұршақ азотты бекітуді оңтайландыру үшін никель негізіндегі тыңайтқыштарды қолдануды қажет етеді2. Топырақты байыту және бұршақ тұқымдастардың топырақтағы азотты бекіту қабілетін арттыру үшін никель негізіндегі тыңайтқыштарды қолдануды жалғастыру топырақтағы никель концентрациясын үздіксіз арттырады. Жақсы. Топырақтағы никельдің уыттылығы топырақтың рН деңгейін төмендетеді және өсімдіктердің өсуіне қажетті қоректік зат ретінде темірдің сіңуіне кедергі келтіреді1. Liu3 сәйкес, Ni өсімдіктердің дамуы мен өсуі үшін қажетті 17-ші маңызды элемент болып табылады. Өсімдіктердің дамуы мен өсуіндегі никельдің рөлінен басқа, адамдар оны әртүрлі қолданбалар, лак және лак өндірісі үшін қажет етеді. Автокөлік өнеркәсібіндегі тұтану құрылғылары мен ұшқын шамдары әртүрлі өнеркәсіп салаларында никельді пайдалануды талап етеді.Сонымен қатар, никель негізіндегі қорытпалар мен электроплантацияланған бұйымдар ас үй бұйымдарында, бал залының керек-жарақтарында, тамақ өнеркәсібінің керек-жарақтарында, электр, сым және кабель, реактивті турбиналар, хирургиялық имплантациялар, тоқыма бұйымдарында және басқа да салаларда кеңінен қолданылды. антропогендік және табиғи көздерге жатқызылды, бірақ ең алдымен, Ni антропогендік емес, табиғи көз болып табылады4,6.Никельдің табиғи көздеріне жанартау атқылауы, өсімдіктер, орман өрттері және геологиялық процестер жатады; дегенмен, антропогендік көздерге болат өнеркәсібіндегі никель/кадмий аккумуляторлары, гальванизация, доғалық дәнекерлеу, дизель және мазут, көмірді жағу және қалдықтар мен шламды жағу нәтижесіндегі атмосфераға шығарындылар жатады. 10, 10, жақын және жақын қоршаған ортадағы жер үсті қабатының ластануының негізгі көздері негізінен никель-мыс негізіндегі балқыту зауыттары мен шахталар болып табылады. Канададағы Садбери никель-мыс өңдеу зауытының айналасындағы жоғарғы топырақта никельмен ластанудың ең жоғары деңгейі 26 000 мг/кг болды11. Норвегия топырағындағы никель концентрациясы11. Alms et al. 12, HNO3 алынатын никельдің мөлшері аймақтың ең жоғары егістік алқаптарында (Ресейдегі никель өндірісі) 6,25-тен 136,88 мг/кг-ға дейін ауытқиды, бұл орташа 30,43 мг/кг және 25 мг/кг базалық концентрацияға сәйкес келеді. немесе қала маңындағы топырақтар келесі егіс маусымдары кезінде топырақты тұндыруы немесе ластауы мүмкін. Никельдің адамдардағы ықтимал әсері мутагенез, хромосомалық зақымдану, Z-ДНҚ генерациясы, блокталған ДНҚ эксцизиясын жөндеу немесе эпигенетикалық процестер арқылы қатерлі ісікке әкелуі мүмкін. мұндай ісіктерді күшейтеді.
Топырақтың ластануын бағалау соңғы уақытта топырақ пен өсімдік қатынастарынан, топырақ пен топырақтың биологиялық қатынастарынан, экологиялық деградациядан және қоршаған ортаға әсерді бағалаудан туындайтын денсаулыққа қатысты мәселелердің кең ауқымына байланысты өркендеді. Бүгінгі күнге дейін топырақтағы Ni сияқты потенциалды улы элементтердің (PTEs) кеңістіктік болжамы оның дәстүрлі әдістерін және цифрлық өңдеуді пайдалана отырып, көп еңбекті және уақытты қажет етеді. Ағымдағы табыс15 топырақтың болжамды картасын (PSM) айтарлықтай жақсартты. Минасни мен МакБратнидің16 айтуынша, болжамды топырақ картасы (DSM) топырақтанудың көрнекті пәні болып шықты. Лагачери мен МакБратни, 2006 DSM-ны «кеңістіктік-кеңістіктік ақпараттық жүйелерді құру және толтыру және топырақтың кеңістіктік-сервистік жүйелерін пайдалану арқылы толтыру» деп анықтайды. және кеңістіктік емес топырақты қорытындылау жүйелері”. McBratney et al. 17 қазіргі DSM немесе PSM PTE, топырақ түрлері мен топырақ қасиеттерінің кеңістікте таралуын болжау немесе картаға түсірудің ең тиімді әдісі болып табылады. Геостатистика және машиналық оқыту алгоритмдері (MLA) - маңызды және ең аз деректерді пайдаланатын компьютерлер көмегімен цифрланған карталарды жасайтын DSM модельдеу әдістері.
Deutsch18 және Olea19 геостатистиканы «кеңістіктік атрибуттарды бейнелеумен айналысатын, негізінен стохастикалық модельдерді қолданатын сандық әдістердің жинағы» ретінде анықтайды, мысалы, уақыттық серияларды талдау уақытша деректерді қалай сипаттайды. Ең алдымен, геостатистика вариограммаларды бағалауды қамтиды, бұл әр деректер жиынтығынан кеңістіктік мәндердің тәуелділігін анықтауға және анықтауға мүмкіндік береді20.Gumiaux және т.б. 20 әрі қарай геостатистикадағы вариограммаларды бағалау үш принципке негізделгенін көрсетеді, соның ішінде (а) деректер корреляциясының шкаласын есептеу, (б) деректер жиынтығының диспропорциясындағы анизотропияны анықтау және есептеу және (c) қосымша ретінде өлшеу деректерінің өзіндік қателігін есепке алумен қатар, жергілікті әсерлерден бөлінген өлшеу деректерінің көптеген интерполизациялық әсерлері, сондай-ақ жергілікті әсерлерді бағалау. әдістер геостатистикада, соның ішінде жалпы кригинг, ко-кригинг, қарапайым кригинг, эмпирикалық Байес кригингі, қарапайым кригинг әдісі және PTE, топырақ сипаттамалары мен топырақ түрлерін картаға немесе болжауға арналған басқа да белгілі интерполяция әдістерін қолданады.
Machine Learning Algorithms (MLA) – негізінен деректерді өңдеу, деректердегі үлгілерді анықтау үшін пайдаланылатын алгоритмдермен қамтамасыз етілген және топырақтану және қайтару тапсырмалары сияқты ғылыми салаларда жіктеу үшін қайта-қайта қолданылатын, үлкен сызықтық емес деректер сыныптарын қолданатын салыстырмалы түрде жаңа әдіс. Көптеген зерттеу жұмыстары Tanil және т.б. сияқты PTE және басқаларды болжау үшін MLA үлгілеріне сүйенеді. 22 (ауылшаруашылық топырақтарындағы ауыр металдарды бағалау үшін кездейсоқ ормандар), Сакизаде және т.б. 23 (тірек векторлық машиналар мен жасанды нейрондық желілерді пайдалана отырып модельдеу) топырақтың ластануы ).Сонымен қатар, Vega et al. 24 (топырақта ауыр металдардың сақталуы мен адсорбциясын модельдеу үшін CART) Sun et al. 25 (cubist қолданбасы Cd топырақта таралуы) және басқа алгоритмдер, мысалы, k-ең жақын көрші, жалпыланған күшейтілген регрессия және күшейтілген регрессия Ағаштар сонымен қатар топырақтағы PTE болжау үшін MLA қолданды.
Болжамда немесе картада DSM алгоритмдерін қолдану бірнеше қиындықтарға тап болады. Көптеген авторлар MLA геостатистикадан жоғары және керісінше деп санайды. Біреуі екіншісінен жақсырақ болғанымен, екеуінің комбинациясы DSM15.Woodcock және Gopal26 Finke27 жүйелерінде карта жасау немесе болжау дәлдігінің деңгейін жақсартады; Понтиус пен Чеук28 және Грунвальд29 болжанған топырақ картасын жасаудағы кемшіліктер мен кейбір қателер туралы түсініктеме береді. Топырақ ғалымдары DSM картасының және болжаудың тиімділігін, дәлдігін және болжамдылығын оңтайландыру үшін әртүрлі әдістерді қолданып көрді. Белгісіздік пен тексерудің үйлесімі DSM-ге біріктірілген және тиімділікті азайту үшін көптеген әртүрлі аспектілердің бірі болып табылады. 15 картаны жасау және болжау арқылы енгізілген валидация әрекеті мен белгісіздік карта сапасын жақсарту үшін тәуелсіз тексерілуі керек екенін белгілеңіз. DSM шектеулері белгісіздік құрамдас бөлігін қамтитын географиялық дисперсті топырақ сапасына байланысты; дегенмен, DSM-де сенімділіктің жоқтығы қатенің бірнеше көздерінен туындауы мүмкін, атап айтқанда ковариат қатесі, модель қатесі, орналасу қатесі және 31-аналитикалық қате. MLA және геостатистикалық процестерде туындаған модельдеу дәлсіздіктері түсінудің болмауымен байланысты, сайып келгенде, нақты процестің тым жеңілдетілуіне әкеледі32. модельдеу параметрлері, математикалық модель болжамдары немесе интерполяция33. Жақында карта жасау мен болжауда геостатистика мен MLA интеграциясына ықпал ететін жаңа DSM тенденциясы пайда болды. Сергеев және т.б. сияқты бірнеше топырақтанушы ғалымдар мен авторлар. 34; Субботина және т.б. 35; Тарасов және т.б. 36 және Тарасов және т.б. 37 болжау мен карта жасаудың тиімділігін арттыратын гибридті үлгілерді жасау үшін геостатистиканың дәл сапасын және машиналық оқытуды пайдаланды. сапа. Осы гибридті немесе біріктірілген алгоритм үлгілерінің кейбіреулері: Жасанды нейрондық желіні кригингі (ANN-RK), көпқабатты перцептрондық қалдық кригингі (MLP-RK), жалпыланған регрессиялық нейрондық желі қалдық кригингі (GR- NNRK)36, жасанды нейрондық желі кригингі-көпқабатты перцептрон-және Cook-layer-қабылдауыш (MLP-7) Процесс регрессиясы38.
Сергеев және басқалардың пікірінше, әртүрлі модельдеу әдістерін біріктіру оның жалғыз моделін жасаудан гөрі, ақауларды жоюға және алынған гибридтік модельдің тиімділігін арттыруға мүмкіндік береді. Осы контекстте бұл жаңа жұмыс геостатистиканың біріктірілген алгоритмін және ШҚШ-ны қолдану қажет екенін дәлелдейді. Кригинг (EBK) базалық үлгі ретінде және оны Қолдау векторлық машинасы (SVM) және Көп сызықтық регрессия (MLR) үлгілерімен араластырыңыз. EBK-ны кез келген MLA-мен будандастыру белгісіз. Көрінетін бірнеше аралас модельдер қарапайым, қалдық, регрессиялық кригингтердің комбинациясы болып табылады және MLA.EBK – геостатистикалық интерполяциялық процесс ретінде спамдық интерполяция әдісі. Кеңістіктік вариацияға мүмкіндік беретін өріс үстінде анықталған локализация параметрлері бар стационарлық емес/стационар кездейсоқ өріс39.EBK әртүрлі зерттеулерде, соның ішінде шаруашылық топырағындағы органикалық көміртектің таралуын талдау40, топырақтың ластануын бағалау41 және топырақ қасиеттерін картаға түсіру42 қолданылды.
Екінші жағынан, Self-Organizing Graph (SeOM) - бұл Ли және т.б. сияқты әртүрлі мақалаларда қолданылған оқыту алгоритмі. 43, Wang et al. 44, Hossain Bhuiyan және т.б. 45 және Kebonye et al.46 Кеңістіктік атрибуттарды және элементтердің топтамасын анықтаңыз.Wang et al. 44 SeOM – сызықтық емес мәселелерді топтау және елестету қабілетімен белгілі қуатты оқыту әдісі екенін көрсетеді. Негізгі құрамдас бөліктерді талдау, анық емес кластерлеу, иерархиялық кластерлеу және көп критерийлі шешім қабылдау сияқты үлгіні тану әдістерінен айырмашылығы, SeOM PTE үлгілерін ұйымдастыруда және анықтауда жақсырақ. 44, SeOM байланысты нейрондардың таралуын кеңістікте топтастыруы және жоғары ажыратымдылықтағы деректерді визуализациясын қамтамасыз ете алады. SeOM тікелей интерпретациялау үшін нәтижелерді сипаттау үшін ең жақсы үлгі алу үшін Ni болжау деректерін визуализациялайды.
Бұл құжат қала және қала маңындағы топырақтардағы никель құрамын болжау үшін оңтайлы дәлдігі бар сенімді карта моделін құруға бағытталған. Біз аралас модельдің сенімділігі негізінен базалық модельге қосылған басқа модельдердің әсеріне байланысты деп болжаймыз. Біз DSM алдында тұрған қиындықтарды мойындаймыз, және бұл қиындықтар бірнеше фронттар мен геостатистикалық модельдердің комбинациясы бойынша шешілуде. қадамдық болуы; сондықтан, біз аралас үлгілерді бере алатын зерттеу сұрақтарына жауап беруге тырысамыз. Дегенмен, модель мақсатты элементті болжаудағы қаншалықты дәл? Сондай-ақ, валидация мен дәлдікті бағалауға негізделген тиімділікті бағалау деңгейі қандай? Сондықтан, бұл зерттеудің нақты мақсаттары (a) SVMR немесе MLR моделін салыстыру негізінде (а) SVMR немесе MLR моделін салыстыру негізінде аралас қоспа үлгісін жасау, қалалық немесе қала маңындағы топырақтардағы Ni концентрациясын болжау үшін ең жақсы қоспа үлгісін ұсыну және (d) никельдің кеңістіктік вариациясының жоғары ажыратымдылық картасын жасау үшін SeOM қолдану.
Зерттеу Чехияда, атап айтқанда Моравия-Силезия аймағындағы Фридек Мистек ауданында (1-суретті қараңыз) жүргізілуде. Зерттелетін аумақтың географиясы өте ойлы және негізінен Карпат тауларының сыртқы жиегінің бөлігі болып табылатын Моравия-Силезия Бескиды аймағының бөлігі болып табылады. 20′ 0′ E, ал биіктігі 225 пен 327 м аралығында; дегенмен, аймақтың климаттық жағдайы үшін Коппен классификация жүйесі Cfb = қоңыржай мұхиттық климат ретінде бағаланады, құрғақ айларда да жауын-шашын көп болады. Температура жыл бойына аздап өзгереді -5 °C және 24 °C, сирек -14 °C төмен немесе 30 °C-тан жоғары түседі, ал орташа жылдық жауын-шашын мөлшері 776 мм және орташа жылдық жауын-шашын мөлшері 7725 мм. Жалпы ауданның болжамды зерттеу алаңы 1208 шаршы шақырымды құрайды, өңделген жердің 39,38% және орман жамылғысының 49,36% құрайды. Екінші жағынан, бұл зерттеуде пайдаланылған аумақ шамамен 889,8 шаршы километрді құрайды.Остравада және оның айналасында болат өнеркәсібі мен металлургия, болат өңдеу өнеркәсібі өте белсенді. атмосфералық коррозияға төзімділігі үшін) және легирленген болаттар (никель оның жақсы икемділігі мен қаттылығын сақтай отырып, қорытпаның беріктігін арттырады) және фосфатты тыңайтқыштарды қолдану және мал шаруашылығы сияқты қарқынды ауыл шаруашылығы аймақтағы никельдің әлеуетті көздері болып табылады (мысалы, қозыларға никель қосу және өнеркәсіптік шикізаттың өсу қарқынын арттыру үшін). Зерттеу салаларына оны гальваникалық никельмен қаптау және электрсіз никельмен қаптау процестерін қоса, оны гальваникалық өңдеуде пайдалану кіреді. Топырақ қасиеттері топырақтың түсіне, құрылымына және карбонат құрамынан оңай ажыратылады. Топырақ құрылымы негізгі материалдан алынған орташа және ұсақ. ағарту. Дегенмен, камбизолдар мен стагнозолдар аймақта ең көп таралған топырақ түрлері болып табылады48. 455,1-ден 493,5 м-ге дейінгі биіктікте Камбизолдар Чехияда басым болады49.
Зерттеу аймағының картасы [Зерттеу аймағының картасы ArcGIS Desktop (ESRI, Inc, 10.7 нұсқасы, URL: https://desktop.arcgis.com) көмегімен жасалған.]
Фрайдек Мистек ауданындағы қалалық және қала маңындағы топырақтардан барлығы 115 құнарлы топырақ үлгісі алынды. Қолданылған үлгі үлгісі бір-бірінен 2 × 2 км қашықтықта орналасқан топырақ үлгілері бар кәдімгі тор болды және топырақтың үстіңгі қабаты қолмен ұсталатын GPS құрылғысының көмегімен 0-20 см тереңдікте өлшенді (Leica Zenoamples 5 қаптамасында және дұрыс қаптамада GPSS Zenoamples). зертханаға жөнелтілді. Үлгілер механикалық жүйемен (Фрич дискілі диірмен) ұнтақталған үлгілерді алу үшін ауада кептірілді және електен өтті (елеуіш өлшемі 2 мм). 1 грамм кептірілген, гомогенизацияланған және електен өткен топырақ үлгілерін анық таңбаланған тефлон бөтелкелеріне салыңыз. Әрбір тефлон сауытына 5 мл3 мл3 және H% 5 мл3 кептірілген, гомогенизацияланған және електен өткен топырақ үлгілерін салыңыз. 65% HNO3 (автоматты диспенсерді пайдалану – әрбір қышқыл үшін бір-бірден), жеңіл жабыңыз және сынамаларды реакция үшін түні бойы қалдырыңыз (aqua regia бағдарламасы) .Үлгілердің ас қорыту процесін жеңілдету үшін үстіңгі затты 2 сағатқа (температура: 100 Вт және 160 °C) салыңыз, содан кейін суытыңыз. 50 мл деиондандырылған сумен сұйылтыңыз. Одан кейін сұйылтылған үстіңгі затты ионсыздандырылған суы бар 50 мл ПВХ түтікке сүзіңіз. Сонымен қатар, сұйылту ерітіндісінің 1 мл 9 мл деиондандырылған сумен сұйылтылған және PTE жалған концентрациясына дайындалған 12 мл түтікке сүзілген. Концентраттары, PTEs, Cb, Mr (PTEs, Cb, Mr) Zn, Ca, Mg, K) стандартты әдістер мен келісімге сәйкес ICP-OES (Индуктивті байланысқан плазмалық оптикалық эмиссия спектроскопиясы) (Thermo Fisher Scientific, АҚШ) арқылы анықталды. Сапаны қамтамасыз ету және бақылау (QA/QC) процедураларын (SRM NIST 2711a Монтана II топырақты анықтау) қамтамасыз етіңіз. Осы зерттеуде пайдаланылған PTE 0,0004.(сіз) болды.Сонымен қатар, әрбір талдау үшін сапаны бақылау және сапаны қамтамасыз ету процесі анықтамалық стандарттарды талдау арқылы қамтамасыз етіледі. Қателерді азайту үшін қосарланған талдау жүргізілді.
Эмпирикалық Байесиялық кригинг (EBK) – топырақтану сияқты әртүрлі салаларда модельдеуде қолданылатын көптеген геостатистикалық интерполяция әдістерінің бірі. Басқа кригингтік интерполяция әдістерінен айырмашылығы, EBK жартылай вариограмма үлгісімен бағаланған қатені ескере отырып, дәстүрлі кригтеу әдістерінен ерекшеленеді. EBK интерполяциясында жалғыз жартылай вариограммалық интерполяция кезінде емес, бірнеше компакт интерполяциялық модельдер қолданылады. жартылай вариограмма.Интерполяция әдістері жеткілікті кригинг әдісінің өте күрделі бөлігін құрайтын жартылайвариограмманың осы сызбасына байланысты белгісіздік пен бағдарламалауға жол ашады. EBK интерполяция процесі Криворучко50 ұсынған үш критерийге сәйкес келеді, (а) модель жартылайвариограмманы бағалайды (а) әрбір кіріс деректер жинағынан болжанған жаңа деректер жиынтығына негізделген жартылай вариограмманы бағалайдыb) жартылай вариограмма және (c) соңғы А моделі имитацияланған деректер жиынынан есептеледі. Байес теңдеуінің ережесі артта берілген.
\(Prob\left(A\right)\) алдыңғыны білдіретін жерде, \(Prob\left(B\right)\) шекті ықтималдық көп жағдайда еленбейді, \(Prob (B,A)\ ) ) .Жартылай вариограмманы есептеу Байес ережесіне негізделген, ол бақылау деректер жиынының бейімділігін көрсетеді, содан кейін жартылай вариограмма арқылы жасалуы мүмкін. Байес ережесі, ол семивариограммадан бақылау деректер жинағын құрудың қаншалықты ықтимал екенін көрсетеді.
Қолдау векторлық машинасы – бірдей, бірақ сызықты тәуелсіз емес сыныптарды ажырату үшін оңтайлы бөлу гипержазықтықты жасайтын машиналық оқыту алгоритмі. Vapnik51 мақсатты жіктеу алгоритмін жасады, бірақ ол жақында регрессияға бағытталған мәселелерді шешу үшін пайдаланылды. Li және т.б.52 сәйкес, SVM SVM регрессияның әртүрлі құрамдас бөліктерінің бірі болып табылады және регресстің әртүрлі құрамдас бөліктерінде қолданылған. (Векторлық машина регрессиясын қолдау – SVMR) осы талдауда пайдаланылды. Черкасский мен Мульер53 ядроға негізделген регрессия ретінде SVMR-ді бастады, оның есептеулері көп елдің кеңістіктік функциялары бар сызықтық регрессия үлгісін қолдану арқылы орындалды. Джон және басқалар54 SVMR модельдеу спальсыз гипержазықтық байланыстарды жасауға және спальдық емес гипержазықтық байланыстарды жасауға мүмкіндік беретінін хабарлайды. функциялары. Vohland және т.б. 55, epsilon (ε)-SVMR корреляциялық деректер бойынша жаттығудан алынған ең жақсы эпсилондық қиғаштықпен деректерді тәуелсіз картаға түсіру үшін қолданылатын эпсилонды сезбейтін функция ретінде көрсету үлгісін алу үшін үйретілген деректер жинағын пайдаланады. Алдын ала орнатылған қашықтық қатесі нақты мәннен еленбейді, ал қате ε(ε) мәнінен үлкен болса, топырақ үлгісінің кешенді жаттығуларын да төмендетеді. Қолдау векторларының кеңірек жиыны. Vapnik51 ұсынған теңдеу төменде көрсетілген.
мұндағы b скаляр шегін, \(K\left({x}_{,}{ x}_{k}\right)\) ядро функциясын, \(\альфа\) Лагранж көбейткішін, N сандық деректер жиынын, \({x}_{k}\) деректерді енгізуді және пайдаланылатын деректердің кілтін \(y) көрсетеді. Гаусс радиалды негіздік функциясы (RBF) болып табылатын SVMR операциясы. RBF ядросы PTE жаттығу деректері үшін ең нәзік айыппұлдар жинағы C факторын және ядро параметрінің гаммасын (γ) алу үшін маңызды болып табылатын оңтайлы SVMR моделін анықтау үшін қолданылады. Алдымен біз жаттығу жиынын бағаладық, содан кейін модель өнімділігін тексердік. svmRadial.
Көп сызықты регрессия моделі (MLR) - ең кіші квадраттар әдісі арқылы есептелген сызықтық біріктірілген параметрлерді пайдалану арқылы жауап айнымалысы мен болжаушы айнымалылар саны арасындағы қатынасты көрсететін регрессия моделі. MLR-де ең аз квадраттар моделі түсіндірме айнымалыларды таңдағаннан кейін топырақ қасиеттерінің болжамды функциясы болып табылады. TEP ретінде қолданылған жауапты анықтау үшін қолданылған variar байланысын пайдалану қажет. түсіндірмелі айнымалылармен сызықтық қатынас орнату үшін айнымалы. MLR теңдеуі болып табылады
мұндағы y - жауап айнымалысы, \(a\) - кесінді, n - болжаушылардың саны, \({b}_{1}\) - коэффициенттердің ішінара регрессиясы, \({x}_{ i}\) болжауыш немесе түсіндірме айнымалы мәнді білдіреді, ал \({\varepsilon }_{i}\) модельдегі белгілі қатені білдіреді.
Аралас модельдер EBK-ді SVMR және MLR-мен сэндвичтеу арқылы алынды. Бұл EBK интерполяциясынан болжамды мәндерді алу арқылы жүзеге асырылады. Интерполяцияланған Ca, K және Mg алынған болжамды мәндер CaK, CaMg және CaMg сияқты жаңа айнымалыларды алу үшін комбинаторлық процесс арқылы алынады, содан кейін төрттен M элементі алынады. айнымалы, CaKMg. Жалпы алғанда, алынған айнымалылар Ca, K, Mg, CaK, CaMg, KMg және CaKMg. Бұл айнымалылар қалалық және қала маңындағы топырақтардағы никель концентрациясын болжауға көмектесетін біздің болжағыштарымызға айналды. SVMR алгоритмі болжауыштарда орындалды, аралас машина Empirical Bayport EmpiricalS Empirical Bayport моделінің аралас моделін алу үшін. (EBK_SVM). Сол сияқты, аралас үлгі Эмпирикалық Байес кригинг-көп сызықтық регрессия (EBK_MLR) алу үшін айнымалы мәндер MLR алгоритмі арқылы жіберіледі. Әдетте Ca, K, Mg, CaK, CaMg, KMg және CaKMg айнымалылары Ni- және covarirates-де болжаулар ретінде пайдаланылады. Топырақтар. Алынған ең қолайлы үлгі (EBK_SVM немесе EBK_MLR) содан кейін өзін-өзі реттейтін графикті пайдаланып визуализацияланады. Бұл зерттеудің жұмыс процесі 2-суретте көрсетілген.
SeOM пайдалану қаржы секторында, денсаулық сақтауда, өнеркәсіпте, статистикада, топырақтануда және т.б. деректерді ұйымдастыруға, бағалауға және болжауға арналған танымал құралға айналды.SeOM ұйымдастыру, бағалау және болжау үшін жасанды нейрондық желілер мен бақыланбайтын оқыту әдістерін қолдану арқылы жасалған. Бұл зерттеуде SeOM қала маңындағы ең жақсы үрдістер мен қала маңындағы процестерді болжауға негізделген Ni концентрацияларын визуализациялау үшін пайдаланылды. SeOM бағалауында n кіріс өлшемді векторлық айнымалылар ретінде пайдаланылады43,56.Melssen et al. 57 кіріс векторының нейрондық желіге бір кіріс деңгейі арқылы бір салмақ векторы бар шығыс векторына қосылуын сипаттайды. SeOM арқылы жасалған шығыс жақындығына сәйкес алтыбұрышты, дөңгелек немесе шаршы топологиялық карталарға тоқылған әртүрлі нейрондардан немесе түйіндерден тұратын екі өлшемді карта болып табылады. 0,086 және 0,904 сәйкесінше таңдалады, бұл 55 карта бірлігі (5 × 11). Нейрондық құрылым эмпирикалық теңдеудегі түйіндер санына сәйкес анықталады.
Бұл зерттеуде пайдаланылған деректер саны 115 үлгіні құрайды. Деректерді сынақ деректеріне (валидация үшін 25%) және оқыту деректер жиындарына (75% калибрлеу үшін) бөлу үшін кездейсоқ тәсіл қолданылды. Жаттығу деректер жинағы регрессия үлгісін (калибрлеу) жасау үшін пайдаланылады, ал сынақ деректер жинағы жалпылау мүмкіндігін тексеру үшін пайдаланылады58. Бұл әртүрлі модельдердің мазмұнын болжауға жарамдылығын бағалау үшін жасалды. Қолданылғандар бес рет қайталанатын он еселік кросс-тексеру процесінен өтті. EBK интерполяциясы арқылы жасалған айнымалы мәндер мақсатты айнымалы мәнді (PTE) болжау үшін болжауыштар немесе түсіндірме айнымалылар ретінде пайдаланылады. Модельдеу RStudio бағдарламасында кітапхана(Kohonen), library(caret), library(modelr), library(“e107), library(″),s”ol“to” бумалары арқылы өңделеді. library («prospectr») және кітапханалар («Метрика»).
Топырақтағы никель концентрациясын болжау үшін қолайлы ең жақсы үлгіні анықтау үшін және модельдің дәлдігін және оның валидациясын бағалау үшін әртүрлі валидация параметрлері пайдаланылды. Гибридтеу модельдері орташа абсолютті қате (MAE), орташа квадраттық қате (RMSE) және R-квадрат немесе коэффициентті анықтау (R2) арқылы бағаланды. model.RMSE және тәуелсіз өлшемдердегі дисперсия шамасы модельдің болжамдық күшін сипаттайды, ал MAE нақты сандық мәнді анықтайды. Валидация параметрлерін пайдалана отырып, ең жақсы қоспа үлгісін бағалау үшін R2 мәні жоғары болуы керек, мән 1-ге жақын болған сайын, дәлдік соғұрлым жоғары болады.Li және т.б. 59, 0,75 немесе одан жоғары R2 критерийінің мәні жақсы болжаушы болып саналады; 0,5-тен 0,75-ке дейін қолайлы үлгі өнімділігі, ал 0,5-тен төмен үлгі өнімділігі рұқсат етілмейді. RMSE және MAE валидация критерийлерін бағалау әдістерін пайдаланып үлгіні таңдаған кезде алынған төменгі мәндер жеткілікті болды және ең жақсы таңдау болып саналды. Келесі теңдеу тексеру әдісін сипаттайды.
мұндағы n бақыланатын мәннің өлшемін білдіреді\({Y}_{i}\) өлшенген жауапты білдіреді, ал \({\widehat{Y}}_{i}\) сондай-ақ болжанған жауап мәнін білдіреді, сондықтан бірінші i бақылаулары үшін.
Болжаушы және жауап айнымалыларының статистикалық сипаттамалары 1-кестеде берілген, орташа, стандартты ауытқу (SD), вариация коэффициенті (CV), минимум, максимум, куртизм және қиғаштық. Элементтердің минималды және максималды мәндері Mg
Болжаушы айнымалы мәндердің жауап элементтерімен корреляциясы элементтер арасындағы қанағаттанарлық корреляцияны көрсетті (3-суретті қараңыз). Корреляция CaK r мәнімен = 0,53 CaNi сияқты қалыпты корреляцияны көрсетті. Ca және K бір-бірімен қарапайым байланыстарды көрсеткенімен, Kingston және т.б. 68 және Санто69 олардың топырақтағы деңгейлері кері пропорционалды деп болжайды. Дегенмен, Ca және Mg K-ға антагонистік, бірақ CaK жақсы корреляция жасайды. Бұл калийде 56% жоғары калий карбонаты сияқты тыңайтқыштарды қолданумен байланысты болуы мүмкін. Калий өнеркәсіпте магниймен орташа корреляция болды (2. M тыңайтқышы). Элементтер бір-бірімен тығыз байланысты, себебі калий магний сульфаты, калий магний нитраты және калий топыраққа олардың тапшылық деңгейін жоғарылату үшін қолданылады. Никель Ca, K және Mg-мен орташа корреляцияланады, сәйкесінше r = 0,52, 0,63 және 0,55 мәндерімен. күрделі, бірақ соған қарамастан магний кальцийдің сіңуін тежейді, кальций артық магнийдің әсерін азайтады, магний де, кальций де никельдің топырақтағы уытты әсерін төмендетеді.
Болжамдар мен жауаптар арасындағы байланысты көрсететін элементтерге арналған корреляциялық матрицасы (Ескерту: бұл суретте элементтер арасындағы шашырау сызбасы бар, маңыздылық деңгейлері p < 0,001-ге негізделген).
4-сурет элементтердің кеңістіктік таралуын көрсетеді. Burgos және т.б.70 сәйкес, кеңістіктік үлестіруді қолдану ластанған аумақтардағы ыстық нүктелерді сандық анықтау және бөлектеу үшін қолданылатын әдіс болып табылады. 4-суреттегі Ca байыту деңгейлерін кеңістіктік таралу картасының солтүстік-батыс бөлігінде көруге болады. Суретте солтүстіктегі кастрюльдің орташа және жоғары байытылуы көрсетілген. карта топырақтың қышқылдығын төмендету үшін сөндірілмеген әкті (кальций оксиді) және оны болат өңдеу процесінде болат диірмендерінде сілтілі оттегі ретінде пайдаланумен байланысты болуы мүмкін. Екінші жағынан, басқа фермерлер рН-ны бейтараптандыру үшін қышқыл топырақта кальций гидроксидін қолданғанды жақсы көреді, бұл да топырақтың кальций мазмұнын арттырады. Солтүстік-батыс ірі ауылшаруашылық қауымдастығы болып табылады және калийдің орташа және жоғары үлгісі NPK және калий қолдануына байланысты болуы мүмкін. Бұл Мадарас және Липавски72, Madaras және т.б.73, Пулкрабова және т.б.74, Асаре және т.б.75 сияқты басқа зерттеулерге сәйкес келеді. Бөлу картасының солтүстік-батысындағы кеңістіктегі калий байыту нашар топырақтардың калий мазмұнын арттыру үшін калий хлориді, калий сульфаты, калий нитраты, калий және калий сияқты калий негізіндегі тыңайтқыштарды қолданумен байланысты болуы мүмкін.Zádorová соавт. 76 және Tlustoš et al. 77 К негізіндегі тыңайтқыштарды қолдану топырақтағы К құрамын жоғарылататынын және ұзақ мерзімді перспективада топырақтың қоректік заттарының мазмұнын айтарлықтай арттыратынын атап өтті, әсіресе K және Mg топырақта ыстық нүктені көрсетеді. Картаның солтүстік-батысында және картаның оңтүстік-шығысында салыстырмалы түрде орташа температура. Калий магний сульфаты, магний сульфаты және кизерит сияқты магний негізіндегі тыңайтқыштар қалыпты рН диапазоны бар топырақтардағы кемшіліктерді (өсімдіктер күлгін, қызыл немесе қоңыр болып көрінеді, магний жетіспеушілігін көрсетеді) өңдейді6. ауыл шаруашылығы және тот баспайтын болат өндірісіндегі никельдің маңызы сияқты антропогендік әрекеттер78.
Элементтердің кеңістіктік таралуы [кеңістіктік тарату картасы ArcGIS Desktop (ESRI, Inc, 10.7 нұсқасы, URL: https://desktop.arcgis.com) көмегімен жасалды.]
Осы зерттеуде пайдаланылған элементтер үшін модель өнімділігі индексінің нәтижелері 2-кестеде көрсетілген. Екінші жағынан, Ni бойынша RMSE және MAE екеуі де нөлге жақын (0,86 RMSE, -0,08 MAE). Екінші жағынан, K үшін RMSE және MAE мәндері қолайлы. RMSE және MAE нәтижелері кальций мен үлкен RMSE және магнелерге байланысты MAE нәтижелері үлкенірек болды. Datasets. Ni болжау үшін EBK көмегімен осы зерттеудің RMSE және MAE көрсеткіштері Джон және т.б. 54 бірдей жиналған деректерді пайдалана отырып, топырақтағы S концентрациясын болжау үшін синергетикалық кригингті қолдану. Біз зерттеген EBK нәтижелері Фабиячик және т.б. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 және John et al. 82, әсіресе K және Ni.
Қалалық және қала маңындағы топырақтардағы никель құрамын болжаудың жеке әдістерінің өнімділігі үлгілердің өнімділігі арқылы бағаланды (3-кесте). Модельді тексеру және дәлдікті бағалау EBK SVMR үлгісімен біріктірілген Ca_Mg_K болжаушысы ең жақсы өнімділікті берді. Калибрлеу үлгісі (Ca_MgRM2 орташа түбірлік қатесі) және орташа квадраттық қателік REBK_SESV- Абсолютті қателік (MAE) 0,637 (R2), 95,479 мг/кг (RMSE) және 77,368 мг/кг (MAE) Ca_Mg_K-SVMR 0,663 (R2), 235,974 мг/кг (RMSE) және 166,946 мг/кг болды, біреуі үшін R жақсы мәндер (MAE2 аз) алынды. Ca_Mg_K-SVMR (0,663 мг/кг R2) және Ca_Mg-EBK_SVMR (0,643 = R2); олардың RMSE және MAE нәтижелері Ca_Mg_K-EBK_SVMR (R2 0,637) (3-кестені қараңыз) нәтижелерінен жоғары болды. Сонымен қатар, Ca_Mg-EBK_SVMR (RMSE = 1664,64 және MAE = 1031,49) үлгісінің RMSE және MAE көрсеткіштері 135 және сәйкесінше үлкен. Ca_Mg_K-EBK_SVMR. Сол сияқты, Ca_Mg-K SVMR (RMSE = 235,974 және MAE = 166,946) үлгісінің RMSE және MAE мәндері Ca_Mg_K-EBK_SVMR RMSE және MAEMSE нәтижелерінің сәйкесінше есептелетінін көрсетеді. Ең жақсы сәйкестік сызығы. Жоғары RSME және MAE байқалды. Kebonye et al. сәйкес. 46 және Джон және т.б. 54, RMSE және MAE нөлге неғұрлым жақын болса, нәтиже соғұрлым жақсы болады. SVMR және EBK_SVMR жоғары квантталған RSME және MAE мәндеріне ие. RSME бағалауларының MAE мәндерінен тұрақты жоғары екені байқалды, бұл ауытқулардың болуын көрсетеді. Legates және McCabeext деректері бойынша, абсолютті мәнді білдіреді: қателік (Абсолюттік мәннен асатын қате). шектен тыс көрсеткіштердің болуының көрсеткіші ретінде ұсынылады. Бұл деректер жиыны неғұрлым гетерогенді болса, MAE және RMSE мәндері соғұрлым жоғары болады дегенді білдіреді. Қала және қала маңындағы топырақтардағы Ni мазмұнын болжау үшін Ca_Mg_K-EBK_SVMR аралас моделінің кросс-валидациялық бағалауының дәлдігі 63,70% құрады. Li және т.б. 59, дәлдіктің бұл деңгейі үлгі өнімділігінің қолайлы жылдамдығы болып табылады. Қазіргі нәтижелер Тарасов және т.б. алдыңғы зерттеумен салыстырылды. 36 гибридті моделі ағымдағы зерттеуде баяндалған EBK_SVMR дәлдігін бағалау индексіне қатысты MLPRK (Multilayer Perceptron Residual Kriging) жасалған, RMSE (210) және MAE (167,5) ағымдағы зерттеудегі нәтижелерден жоғары болды (RMSE 95,479, MAE67 кезінде). ағымдағы зерттеу (0,637) Тарасов және т.б. 36 (0,544), детерминация коэффициенті (R2) осы аралас модельде жоғары екені анық. Аралас модель үшін қателік шегі (RMSE және MAE) (EBK SVMR) екі есе төмен. Сол сияқты, Сергеев және т.б.34 дамыған гибридті модель үшін 0,28 (R2) тіркеді (Multiding Current Recorded Perceptron), 0,637 (R2). Бұл модельдің болжау дәлдігі деңгейі (EBK SVMR) 63,7% құрайды, ал Сергеев және т.б. алған болжау дәлдігі. 34 28% құрайды. EBK_SVMR моделін және болжау ретінде Ca_Mg_K көмегімен жасалған соңғы карта (5-сурет) бүкіл зерттеу аймағы бойынша ыстық нүктелер мен орташадан никельге дейінгі болжамды көрсетеді. Бұл зерттеу аймағындағы никель концентрациясы негізінен қалыпты, кейбір нақты аймақтарда жоғары концентрацияда екенін білдіреді.
Соңғы болжау картасы гибридті EBK_SVMR үлгісін пайдалану арқылы және болжау ретінде Ca_Mg_K арқылы ұсынылған.[Кеңістіктік таралу картасы RStudio (1.4.1717 нұсқасы: https://www.rstudio.com/) көмегімен жасалған.]
6-суретте жеке нейрондардан тұратын композиция жазықтығы ретінде PTE концентрациялары берілген. Құрамдас жазықтықтардың ешқайсысында көрсетілгендей бірдей түс үлгісі көрсетілмеген. Дегенмен, бір сызылған картаға нейрондардың сәйкес саны 55. SeOM әр түрлі түстерді қолдану арқылы жасалады және түс үлгілері неғұрлым ұқсас болса, үлгілердің қасиеттері соғұрлым салыстырмалы болады. Mg) жалғыз жоғары нейрондарға және көптеген төмен нейрондарға ұқсас түс үлгілерін көрсетті. Осылайша, CaK және CaMg өте жоғары ретті нейрондармен және төменнен орташаға дейінгі түс үлгілерімен кейбір ұқсастықтарды бөліседі. Екі модель де қызыл, қызғылт сары және сары сияқты түстердің орташа және жоғары реңктерін көрсету арқылы топырақтағы Ni концентрациясын болжайды. KMg моделі көптеген жоғары және орташа түсті үлгілерге негізделген түс үлгісін көрсетеді. нақты түс шкаласы төменнен жоғарыға дейін, модель құрамдас бөліктерінің жазық таралу үлгісі топырақтағы никельдің потенциалды концентрациясын көрсететін жоғары түс үлгісін көрсетті (4-суретті қараңыз). CakMg моделінің құрамдас жазықтығы дәл түс шкаласына сәйкес төменнен жоғарыға дейін әртүрлі түс үлгісін көрсетеді. Бұдан басқа, модельдің никель құрамының таралуын болжамы (C inakckni) ұқсас (C in spakni) шпагнидің таралуын көрсетеді. 5. Екі графикте де қала және қала маңындағы топырақтардағы никель концентрацияларының жоғары, орташа және төмен пропорциялары көрсетілген. 7-сурет картадағы k-орташа топтастырудағы контур әдісін бейнелейді, әр модельдегі болжамды мәнге негізделген үш кластерге бөлінген. Контур әдісі кластерлердің оңтайлы санын көрсетеді. үлгілер, 74. 2-кластер 33 үлгі, ал 3-кластер 8 үлгі алды. Жеті компонентті жазық болжаушылардың комбинациясы кластерді дұрыс түсіндіруге мүмкіндік беру үшін жеңілдетілді. Топырақ түзілуіне әсер ететін көптеген антропогендік және табиғи процестерге байланысты бөлінген SeOM картасында дұрыс сараланған кластерлік үлгілерге ие болу қиын.
Әрбір эмпирикалық Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM) айнымалысы арқылы құрамдас жазықтықтың шығысы.[SeOM карталары RStudio (1.4.1717 нұсқасы: https://www.rstudio.com/) көмегімен жасалған.]
Әртүрлі кластерді жіктеу құрамдастары [SeOM карталары RStudio көмегімен жасалды (1.4.1717 нұсқасы: https://www.rstudio.com/).]
Ағымдағы зерттеу қалалық және қала маңындағы топырақтардағы никель концентрациясын модельдеу әдістерін анық көрсетеді. Зерттеу топырақтағы никель концентрациясын болжаудың ең жақсы әдісін алу үшін элементтерді модельдеу әдістерімен біріктіріп, әртүрлі модельдеу әдістерін сынады. Модельдеу техникасының SeOM композициялық жазық кеңістіктік ерекшеліктері жоғары түс үлгісін көрсетті, сондықтан төменнен жоғарыға дейін, индика масштабында концентрация түсінің дәлдігі, NiH масштабында. кеңістіктік таралу картасы EBK_SVMR көрсеткен құрамдас бөліктердің жазық кеңістіктік таралуын растайды (5-суретті қараңыз). Нәтижелер тірек векторлық машинаның регрессия моделі (Ca Mg K-SVMR) топырақтағы Ni концентрациясын бір модель ретінде болжайтынын көрсетеді, бірақ валидация және дәлдікті бағалау параметрлері RMSE қолданылған басқа техника тұрғысынан өте жоғары қателерді көрсетеді. EBK_MLR моделі детерминация коэффициентінің (R2) төмен мәніне байланысты ақаулы болып табылады. Жақсы нәтижелер EBK SVMR және RMSE және MAE қателері төмен 63,7% дәлдікпен біріктірілген элементтерді (CaKMg) пайдалану арқылы алынды. EBK алгоритмін машиналық оқыту алгоритмімен біріктіру алгоритмді құруға болатыны белгілі болды. топырақтағы PTE концентрациясын болжауға болады. Нәтижелер зерттелетін аумақтағы Ni концентрациясын болжау үшін Ca Mg K-ны болжауыш ретінде пайдалану топырақтағы Ni болжамын жақсартуға болатындығын көрсетеді. Бұл никель негізіндегі тыңайтқыштарды үздіксіз қолдану және болат өнеркәсібінің топырақтың өнеркәсіптік ластануы топырақтағы никель концентрациясын арттыру тенденциясына ие екенін білдіреді. қала немесе қала маңындағы топырақтардағы топырақтың кеңістіктік таралу моделі. Жалпы, біз топырақтағы PTE бағалау және болжау үшін EBK-SVMR моделін қолдануды ұсынамыз; бұдан басқа, біз әртүрлі машиналық оқыту алгоритмдерімен будандастыру үшін EBK пайдалануды ұсынамыз. Ni концентрациялары элементтерді ковариаттар ретінде пайдалану арқылы болжалды; дегенмен, көбірек ковариаттарды пайдалану модельдің өнімділігін айтарлықтай жақсартады, бұл ағымдағы жұмыстың шектеуі деп санауға болады. Бұл зерттеудің тағы бір шектеуі деректер жиынының саны 115. Сондықтан, егер көбірек деректер ұсынылса, ұсынылған оңтайландырылған будандастыру әдісінің өнімділігін жақсартуға болады.
PlantProbs.net. Өсімдіктер мен топырақтағы никель https://plantprobs.net/plant/nutrientImbalances/sodium.html (қолданылуы 28 сәуір 2021 ж.).
Каспрзак, К.С.Никель қазіргі экологиялық токсикологиядағы жетістіктер.айнала.токсикология.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: оның көздері мен экологиялық токсикологияға шолу. Поляк J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Атмосферадағы ластаушы заттардың түсуі және Садбери, Онтарио, Канададағы никель-мыс балқыту зауытының жанындағы топырақ пен өсімдіктерде жинақталуы.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Топырақтағы, өсімдіктердегі ауыр металдар және Ботсванадағы Селеби-Пикве мыс-никель кеніші маңында жайылып жүрген күйіс қайыратын жануарлармен байланысты қауіптер.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-0012 (021-0012).
Cabata-Pendias.Kabata-Pendias A. 2011. Топырақтағы микроэлементтер және… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Топырақтағы+және+өсімдіктердегі+элементтер.+4-ші+бас.+Нью+Йорк+%28NY%29%3A+CRC+Press&btnG= (қолжетімділігі 24 қараша 2020 ж.).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined. Soer-Varanger, Norway.agris.fao.org ауылшаруашылық топырақтары мен шөптердегі ауыр металдардың шоғырлануына ресейлік никель өнеркәсібінің әсері.
Nielsen, GD et al. Никельдің сіңуі және ауыз суда сақталуы тағамды қабылдауға және никельге сезімталдыққа байланысты. токсикология. қолданбалы. Фармакодинамика.154, 67-75 (1999).
Costa, M. & Klein, CB Никельдің канцерогенезі, мутация, эпигенетика немесе селекция. қоршаған орта. Денсаулық перспективасы.107, 2 (1999).
Аджман, ДК; Аджадо, СҚ; Борувка, Л.; Бини, JKM; Саркоди, ВЙО; Кобонье, NM; Потенциалды уытты элементтердің тренд талдауы: библиометриялық шолу. Environmental геохимия және денсаулық.Springer Science & Business Media BV 2020.https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Digital Soil Mapping: A Brief History and Some Lessons.Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Сандық топырақ картасы туралы. Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV геостатистикалық резервуарды модельдеу,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Геостатистикалық+қойма+модельдеу%2C +Oxford+University+Press%2C+376+беттер.+&btnG= (қолданылуы 28 сәуір 2021 ж.).
Жіберу уақыты: 22 шілде 2022 ж
